1.一种青霉素发酵过程关键变量软测量方法，其特征在于，包括如下步骤：步骤1：实时收集青霉素发酵过程中产生的变量，建立数据库；

步骤2：从数据库中获取输入变量利用集成经验模态分解EEMD进行去噪处理；

步骤3：对去噪处理后的变量利用PACF算法进行特征选择，构建最优输入特征集合；

步骤4：利用步骤3中最优输入特征集合建立软测量模型，将处理好的输入变量送入构建的软测量模型中进行训练；所述软测量模型为基于深度信念神经网络DBN和极限学习机模型ELM的DBN‑ELM模型；

步骤5：引入增强型灰狼优化算法AGWO对软测量模型的参数进行优化，输出最优参数，利用优化后的软测量模型进行预测，输出青霉素浓度预测结果。

2.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤2利用集成经验模态分解EEMD进行去噪处理，包括如下步骤：步骤2.1：在原始信号x(t)中加入均值为0、方差为常数的高斯白噪声n(t)，得到新的信号如下式：xm(t)＝x(t)+nm(t)                (1)式中，xm(t)表示第m次加入的高斯白噪声的信号，nm(t)表示第m次加入的高斯白噪声；

步骤2.2：对xm(t)分别进行EMD分解，得到一系列IMF分量和残差分量，分别记其为kmn和rm(t)；其中，kmn表示第m次加入高斯白噪声后，分解所得到的第n个IMF分量；

步骤2.3：每次加入不同的白噪声，重复上述步骤2.1和2.2，得到下式：步骤2..4：对上述结果进行总体平均运算，消除多次加入高斯白噪声对真实IMF分量的影响，最后得到IMF分量表达式如下：

3.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤3利用PACF算法进行特征选择的具体过程如下：步骤3.1：假设ym(t)为输出变量，如果第s个延时时刻的PACF值在95％置信区间之外，则ym‑s(t)取其中一个为输入变量；如果所有延时时刻的PACF值均在95％置信区间内，则取ym‑1(t)作为输入变量；

步骤3.2：对于长度为N的IMF子序列{y1(t)，y2(t)，...，yN(t)}，由协方差γs得延时s协方差得估计值：式中， 表示序列得平均值，N/4为最大时延时刻；

步骤3.3：由步骤3.2，得自相关函数(ACF)估计值 表示如下：步骤3.4：基于式(4)和(5)，PACF计算式如下：根据PACF值，判断不同辅助变量与关键变量得相关性，构建最优输入特征集合。

4.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤4中建立软测量模型的具体步骤如下：步骤4.1：建立深度信念神经网络DBN，DBN神经网络由多个受限玻尔兹曼机RBN堆叠组成，通过无监督逐层贪婪训练，将数据映射到高维空间；RBN由可见层v和隐藏层h组成，其中可见层v负责接收输入数据，隐含层h提取特征；

步骤4.2：构建ELM极限学习机模型，ELM由输入层、隐藏层和输出层构成；

步骤4.3：整合DBN神经网络与ELM，建立DBN‑ELM模型；在所使用的DBN‑ELM模型中，DBN模型由四层受限玻尔兹曼机RBM组成，采用无监督的贪婪方式对数据集训练后提取特征，然后将第四层的RBM中的隐藏层输出作为ELM输入层，训练DBN‑ELM模型。

5.根据权利要求4所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤4.1中使用RBM训练过程如下：步骤4.1.1：采用无监督逐层贪婪方式初始化RBM层之间的连接权重和偏移量，然后每层RBM从下到上训练，累计多个RBM形成DBN神经网络模型；

步骤4.1.2：假设RBM的可见层v和隐藏层h的神经元均为二进制，则其能量函数定义如下：式中，θ＝{wij，ai，bj}，为RBM的参数，由实数表示；a和b分别表示可见层v和隐藏层h的偏置，w是权重矩阵；

步骤4.1.3：计算联合概率分布函数p(v，h)如下式：‑E(v，h|θ)

式中，zθ＝∑∑e ，表示归一化因子；

步骤4.1.4：每个可见层v变量和隐藏层h变量被激活的条件概率如下式所示：p(vi＝1|h)＝σ(ai+∑jwijhj)       (9)p(hj＝1|v)＝σ(bj+∑iwijvi)       (10)式中，σ为sigmoid函数，计算式如下：

步骤4.1.5：通过求解训练集的最大对数似然估计函数可以得到参数的估计，并利用对比散度(CD)算法得到RBM参数更新准则，具体计算式如下：Δwij＝ε(E‑R)          (12)Δai＝ε(E‑R)          (13)Δbj＝ε(E‑R)           (14)式中，ε表示学习率，<·>E表示训练数据的数学期望，<·>R表示重构模型的数学期望。

6.根据权利要求4所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤4.2中构建ELM极限学习机模型具体步骤为：步骤4.2.1：给定T个训练集 其中xt为输入向量，ot为期望输出向量，对于包含有L个隐含层激活函数为s(x)的极限学习机数学模型可以表示为：其中，wl为第l个隐含层神经元和输入层的权重，bl表示第l个隐含节点的偏差，βl为连接第1隐含层神经元和输出层的权值；

步骤4.2.2：对极限学习机数学模型进行简写，得到下式：Hβ＝o                    (16)其中，H为隐含层输出层矩阵，具体表达式如下：

步骤4.2.3：由输出权值的求解是保证损失函数取得最小值，则有下式：其中输出权值β可由下式得到：

7.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤5中AGWO算法具体实现步骤如下：步骤5.1：设置GWO算法的初始参数，包括训练次数种群大小和迭代次数，搜索空间的上下边界；

步骤5.2：包围猎物阶段，GWO算法数学模型为：

表示灰狼的位置向量， 表示猎物的位置向量； 和 为系数向量，其计算表达式如下：

式中，t为当前迭代次数，tmax为最大迭代次数；r1和r2分别表示在区间[0，1]均匀分布的随机向量； 为收敛因子，随迭代次数的增加，其值从2递减到0；

步骤5.3：狩猎阶段，灰狼个体跟踪猎物的数学模型描述如下：式中， 和 分别表示当前种群α，β，δ的位置向量； 和分别表示当前候选灰狼与最优三条狼之间的距离向量；当|A|＞1时，灰狼之间尽量分散在各区域并搜寻猎物；当|A|＜1时，灰狼将集中搜索某个或某些区域的猎物；

步骤5.4：对收敛因子 进行改进，改进后的收敛因子表达式如下：步骤5.5：对位置更新进行改进，位置更新公式如下所示：改进后的GWO算法，其搜索由α狼和β狼决定。

8.根据权利要求1所述的一种青霉素发酵过程关键变量软测量方法，其特征在于，所述步骤5中利用AGWO算法优化软测量模型的参数，具体实现步骤如下：步骤6.1：设置DBN‑ELM模型和AGWO算法的初始参数，包括训练次数，训练样本大小，节点数，种群大小和迭代次数，搜索空间的上下边界；

步骤6.2：将DBN‑ELM模型的节点数量作为AGWO算法优化的对象，计算初始每只灰狼的适应度值，将该适应度值与α狼和β狼进行比较，如果适应度值优于α狼和β狼，更新α狼和β狼的适应度值和位置；否则，保留原来α狼和β狼的适应度值和位置，并利用ELM极限学习机模型公式(15)至公式(18)对α狼和β狼的位置和距离进行更新；

步骤6.3：判断是否达到最大迭代次数，如果达到，则输出DBN‑ELM模型的最优节点个数，否则，继续步骤6.3；

步骤6.4：将数据送入到含有优化参数的DBN‑ELM软测量模型进行预测，利用公式(19)输出青霉素浓度预测结果。

9.一种青霉素发酵过程关键变量软测量系统，其特征在于，包括上位机和下位机；所述上位机包括显示和监测模块、数据处理模块、特征选择模块、软测量模块、AGWO优化模块，所述下位机包括ZigBee终端模块；

所述ZigBee终端模块基于ZigBee的嵌入式芯片设计，包括传感器模块、通信模块和主控模块，所述传感器模块为DS18B20数字传感器、T113压阻式压力传感器、RF无线传输的PH值传感器，用于收集青霉素发酵过程产生的变量并将收集的变量通过通信模块传送到上位机；所述通信模块用于联通上位机与下位机；所述主控模块用于给ZigBee终端模块的硬件下达指示命令；

所述数据处理模块，用于利用集成经验模态分解EEMD对输入变量进行去噪处理；

所述特征选择模块，用于对去噪处理后的变量利用PACF算法进行特征选择，构建最优输入特征集合；

所述软测量模块，用于构建基于深度信念神经网络DBN和极限学习机模型ELM的DBN‑ELM模型，并利用所述DBN‑ELM模型进行预测；

所述AGWO优化模块，用于对软测量模型的参数进行优化，输出最优节点个数。

10.根据权利要求9所述的青霉素发酵过程关键变量软测量系统，其特征在于，所述显示和监测模块包括图形交互界面和触摸屏，用于将预测得到的青霉素浓度值传输到上位机并在图形交互界面进行实时显示，通过触摸屏进行控制。